လွယ်လွယ်ပြောရရင် computer vision ဆိုတာ ကွန်ပျူတာကို “ပုံကြည့်ပြီး နားလည်တတ်အောင်” သင်ပေးတဲ့ AI ပညာရပ်။ လူတွေ မျက်စိနဲ့ မြင်သလိုမျိုး ကွန်ပျူတာလည်း ပုံကို မြင်တတ်အောင် လုပ်တာ။
ကွန်ပျူတာက ပုံကို ဘယ်လိုမြင်လဲ သိလား။ သူ့အတွက် ပုံတစ်ပုံဆိုတာ ကိန်းဂဏန်းတွေရဲ့ အစုအဝေးပဲ။ ဥပမာ အဖြူအမည်းပုံ တစ်ပုံမှာ pixel တစ်ခုချင်းစီကို 0 (အမည်း) ကနေ 255 (အဖြူ) အထိ နံပါတ်နဲ့ မှတ်ထားတယ်။ အရောင်ပုံဆို red, green, blue သုံးလွှာ။ ဒါကြောင့် သင်္ကြန်မှာ ရိုက်ထားတဲ့ ဓာတ်ပုံတစ်ပုံကို ကွန်ပျူတာက “ပျော်စရာကောင်းလိုက်တာ” လို့ မမြင်ဘူး — “pixel သန်း ၁၂ သန်း၊ တစ်ခုချင်းစီမှာ နံပါတ်သုံးလုံး” လို့ပဲ မြင်တယ်။ ဒီနံပါတ်တွေထဲကနေ “ဒါ လူ့မျက်နှာ” ဆိုတာ ဘယ်လို သိသွားတာလဲ — အဲဒါ computer vision ရဲ့ အလုပ်ပဲ။
အလွယ်ဆုံး ဥပမာနဲ့ ပြောရရင် ကလေးတစ်ယောက်ကို တိရစ္ဆာန်ပုံ သင်ပေးသလိုပဲ။ ကလေးကို ကြောင်ပုံ အပုံတစ်ရာလောက် ပြတယ် — “ဒါ ကြောင်” လို့ ပြောပြ၊ ခွေးပုံလည်း အပုံတစ်ရာ — “ဒါ ခွေး”။ နောက်ဆုံး မမြင်ဖူးတဲ့ ပုံအသစ်တစ်ပုံ ပြလိုက်ရင် ကလေးက “ဒါ ကြောင်!” လို့ မှန်အောင် ပြောနိုင်သွားတယ်။ AI ကိုလည်း ဒီလိုပဲ label တပ်ထားတဲ့ ပုံ သန်းချီပြီး ပြတယ်။ သူက ပုံထဲက ပုံစံ (pattern) တွေ — နားရွက်ချွန်ချွန်၊ နှာခေါင်းပုံစံ၊ အမွေးအရောင် — ကို သူ့ဟာသူ သင်ယူသွားတယ်။ ဒီနည်းကို deep learning (အထူးသဖြင့် CNN — Convolutional Neural Network) နဲ့ လုပ်တယ်။
ဒီနေ့ ကိုယ်နေ့တိုင်း သုံးနေတဲ့ နေရာတွေမှာ computer vision ရှိနေပြီ။
iPhone ရဲ့ Face ID — မျက်နှာကို dot ၃ သောင်းလောက် ပစ်ပြီး ပုံစံမှတ်တာ
Google Photos — “ခွေး” လို့ ရိုက်ရှာလိုက်ရင် ခွေးပုံတွေ အလိုလို ထွက်လာတာ
Google Lens — ပုံရိုက်ပြလိုက်တာနဲ့ အဲဒီပစ္စည်း ဘာလဲ၊ ဘယ်မှာဝယ်လို့ရလဲ ရှာပေးတာ
Mobile banking / eKYC — မှတ်ပုံတင်ဓာတ်ပုံနဲ့ selfie ကို တိုက်ပြီး လူအစစ်ဟုတ်မဟုတ် စစ်တာ
ကားပါကင်က လိုင်စင်နံပါတ်ပြား ဖတ်တဲ့ ကင်မရာ (ANPR)
သတိထားရမှာက computer vision က “မြင်တယ်” ဆိုပေမယ့် “နားလည်တယ်” ဆိုတာ အမြဲမဟုတ်ဘူး။ ပုံထဲက ကြောင်ကို မှန်အောင် ပြောနိုင်ပေမယ့် ကြောင်က ဘာလုပ်နေလဲ၊ ဘာလို့လုပ်နေလဲဆိုတာ သူ မသိဘူး။ ဒါကြောင့် AI က ပုံတစ်ပုံကို မှားပြီး label တပ်တာမျိုး — ဥပမာ ခွေးကို ဝက်လို့ ပြောတာမျိုး — ဖြစ်တတ်သေးတယ်။ လေ့ကျင့်ထားတဲ့ ပုံတွေနဲ့ မတူတဲ့ ပုံအသစ် တွေ့ရင် ပိုမှားတတ်တယ်။
ကိုယ်တိုင် စမ်းကြည့်ချင်ရင် အလွယ်ဆုံးက Google Lens ပဲ။ ဖုန်းနဲ့ ပန်းပွင့်တစ်ပွင့်၊ အဆောက်အဦးတစ်ခု၊ ဒါမှမဟုတ် စာအုပ်အဖုံးတစ်ခု ရိုက်ပြီးရှာကြည့် — AI က ပုံကို “မြင်” ပြီး ဘာလဲဆိုတာ ပြောပြလိမ့်မယ်။ နောက် Google Photos မှာ ကိုယ့်ဓာတ်ပုံတွေထဲ “ပင်လယ်” လို့ ရိုက်ရှာကြည့်ပါ — ပင်လယ်ပုံတွေ သူ့ဟာသူ ရှာပေးထားတာ တွေ့ရလိမ့်မယ်။
ကျွန်တော် အံ့ဩမိတာက ဒီနည်းပညာရဲ့ အရှိန်ပဲ။ ဆယ်နှစ်လောက်က “ကွန်ပျူတာက ကြောင်နဲ့ခွေး ခွဲတတ်ပြီ” ဆိုတာ သတင်းကြီးဖြစ်ခဲ့တယ်။ အခု ကိုယ့်အိတ်ထဲက ဖုန်းက မျက်နှာနဲ့ lock ဖွင့်ပေးနေပြီ။ နောက် ဆယ်နှစ်မှာ ကွန်ပျူတာက ဘာတွေ “မြင်” တတ်လာဦးမလဲ စောင့်ကြည့်ရအောင်။ 🙂
===
